基于图神经网络的蒸馏塔运行优化模型：多组分分离的实时决策系统

实时优化蒸馏塔的动态时空图卷积网络研究通过异构节点编码和动态邻接矩阵设计，有效整合了设备拓扑结构与多组分时空演化特征，结合正交卷积正则化提升训练稳定性，与边缘计算结合实现毫秒级响应。工业测试表明该系统在乙烯/甲醇分离中纯度预测误差降低56.3%，蒸汽能耗减少18.7%，故障检测准确率达94.2%。

金子峰

中南大学，化学工程与技术学院，长沙，410083，中国

摘要

作为石化工艺中的核心分离单元，蒸馏塔的实时优化对于能源效率和产品质量至关重要。传统的机理模型在动态条件下的计算成本较高，而数据驱动的方法往往忽略了塔板之间的质量/热传递拓扑结构，导致较大的误差。尽管图神经网络（GNN）能够对系统结构进行建模，但它们面临训练不稳定、异构图建模不足以及延迟较高等挑战。为了解决这些问题，本研究提出了一种基于动态时空图卷积网络（DST-GCN）的实时决策系统。该系统采用异构节点编码来区分塔板状态和组分属性，利用动态邻接矩阵捕捉能量传递的时空演变，并通过正交卷积和正则化来稳定训练过程。结合前馈-反馈控制和边缘计算，该系统实现了毫秒级的响应速度和轻量级的部署。在乙烯和甲醇分离领域的工业测试表明，该系统能够提高纯度控制能力，降低蒸汽和能耗，提高故障检测精度，并具备很强的鲁棒性和跨条件泛化能力。结果证实了GNN在复杂工业系统实时优化中的可行性。未来的工作将重点关注迁移学习、设备退化集成和联邦学习，以推进从单塔到全厂智能化的进展。

引言

作为石化工业中的核心分离设备，蒸馏塔的运行优化直接关系到能源消耗、产品质量和企业经济效益（Liu等人，2025a）。随着集成炼化和高附加值产业链的快速发展，多组分混合物的分离要求变得越来越复杂。例如，石化企业中的乙烯蒸馏塔需要同时处理8种组分，且纯度要求高达99.5%。传统的稳态优化模型难以应对动态工作条件变化和实时干扰的挑战（Lei等人，2025；Saleh，2025；Amooey等人，2025）。现有的机理模型依赖于严格的物理性质方程，计算复杂性随组分数量的增加而呈指数级增长。单个操作条件的模拟时间超过1小时，无法满足实时决策的需求（Xu等人，2025）。虽然数据驱动方法可以降低计算成本，但它们忽略了塔板之间质量/热传递的拓扑相关性，导致预测误差超过10%（Hembert等人，2025）。此外，工业现场中的不确定因素（如传感器噪声和设备老化）进一步加剧了模型失准的风险，因此迫切需要一种新的优化框架，以平衡动态特性和实时性能（Fang等人，2025）。

近年来，图神经网络（GNN）在化学工程领域的突破为蒸馏塔的建模提供了新的思路。GNN通过节点-边结构自然地表征了塔板和组分之间的相互作用，例如，时空图卷积可以捕捉动态的质量传递通量，注意力机制可以识别关键塔板的传热瓶颈（Liu等人，2025b；Abbas等人，2025；Tahir等人，2025）。先前的研究表明，基于GNN的反应路径优化可以将能耗降低15%，并将故障检测精度提高到92%（Zhang等人，2025）。然而，现有GNN模型在蒸馏塔应用中仍存在显著不足。首先，多层网络的训练不稳定，梯度爆炸使得深度特征难以收敛；其次，对异构图的建模能力不足，难以区分塔板属性和组分属性之间的异构关联；第三，实时推理延迟较高，部署边缘设备时参数数量过多（Raamets等人，2025；Peng等人，2026；Han等人，2025）。这些问题严重限制了GNN在工业实时决策场景中的适用性。如何构建一个平衡效率、鲁棒性和轻量级的GNN架构成为突破蒸馏塔动态优化瓶颈的关键。

尽管通过现有研究（如动态建模和边缘计算应用）在蒸馏塔优化方面取得了显著进展，但仍存在一些挑战需要探索（Li等人，2024a；Li等人，2025；Zhao等人，2024；Zhi等人，2025a；Zhi等人，2025b）：在动态工作条件下质量传递通量的时空演变机制尚未完全解决；塔板状态与组分属性之间的异构耦合表征精度需要提高；实时决策中的约束冲突避免机制需要进一步优化；此外，多目标优化中的工业经济拐点缺乏定量分析。本文试图在这些方向上进行探索性改进。

本文提出了一种用于蒸馏塔多组分分离的实时决策系统，其核心创新在于动态时空图卷积网络（DST-GCN）与实时决策引擎的协同设计。针对传统方法忽略拓扑交互的缺点，DST-GCN通过异构节点编码和动态邻接矩阵构建准确地表征了塔板之间质量传递通量的时空演变；引入正交卷积和正则化约束显著提高了深度网络的训练稳定性。在此基础上，结合了前馈-反馈协调控制策略，并通过边缘计算架构实现了毫秒级响应。该系统旨在突破动态工作条件建模、高维优化求解和抗干扰控制的技术瓶颈，为复杂蒸馏系统的智能化升级提供理论支持，并推动化学分离过程向高效低碳方向发展。

部分摘录

蒸馏塔的优化方法

蒸馏塔的优化方法长期以来依赖于机理模型和数据驱动技术的结合（Gebretsadlk等人，2025）。机理模型是通过热力学平衡方程和质量传递动力学原理构建的。例如，基于Aspen Plus的稳态模拟可以准确预测塔板效率和组分分布。然而，其计算复杂性随组分数量的增加而呈指数级增长

动态时空图卷积网络（DST-GCN）的设计

蒸馏塔的动态特性和多组分相互作用难以通过传统的时间或空间模型准确表征。塔板之间的质量和热传递过程具有显著的时空相关性，组分属性的差异进一步增加了建模复杂性（Chen等人，2024）。如何构建既能表征拓扑结构又能适应动态演变的网络架构是一个难题

工业案例和数据来源

实验数据来源于2023年一家国内石化企业的实际生产系统，涵盖了两种典型场景：乙烯蒸馏塔和甲醇分离单元（图5）。乙烯工厂的数据通过分布式控制系统收集，包括31层塔板的温度、压力和物料流量参数，时间跨度为3-5个月。

工业验证采用了三基准比较策略：

基准

讨论

本研究提出的动态时空图卷积网络（DST-GCN）在优化多组分蒸馏塔方面展现了显著的技术优势。从模型精度和能耗优化的角度来看，如表11所示，DST-GCN的乙烯纯度预测误差为2.1%，比传统的Aspen Plus机理模型低56.3%，比时间序列模型LSTM低77.2%。在能耗方面

结论与展望

本研究成功构建了一种基于动态时空图神经网络的蒸馏塔实时决策系统，突破了传统方法在动态工作条件建模和实时优化方面的技术瓶颈。通过异构节点编码机制，该系统实现了塔板物理状态与其组分物理属性的解耦表达，显著提高了

CRediT作者贡献声明

金子峰：撰写 – 审稿与编辑，撰写 – 原稿，监督，方法论，资金获取，形式分析，数据管理，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。